Analise Quant./Doutorado - Vívian Costa Alves

---

Setup e pacotes

## Opções iniciais de configuração do ambiente --------------
knitr::opts_chunk$set(echo = TRUE)
options(scipen=999)
#### --------------------------------------------------------
library("stringr")  # funções de manipulação de chars
library("dplyr")    # gramática de wrangling
library("ggplot2")  # apresentação gráfica
library("tibble")   # data sets melhorados
library("magrittr") # semantica serializada de instruções
library("readxl")   # leitor de arquivos excel
library("purrr")    # programação funcional
library("knitr")    # Uso de tabelas Kable para apresentação
#### --------------------------------------------------------
v_path_i <- "~/RGitRep/Tese MIDxPT/Dados originais/" ## Caminho para leitura de arquivos de input
v_path_o <- "~/RGitRep/Tese MIDxPT/Analises/" ## Caminho para geração de arquivos de output
v_path_inter <- "~/RGitRep/Tese MIDxPT/Resultados intermediarios/" ## Caminho para geração de arquivos intermediarios

---

Programas e Projetos

Leitura de planilhas e criação de datasets para programas e projetos-PPG. Filtro de projetos com início de 2013 em diante. Também nesta etapa foi realizada a criação de dataset com as categorias utilizadas na apresentação dos dados (ds_prg).

ds_prgppg <- read_excel(paste0(v_path_i, "Programas PPG 2016.xlsx"))
ds_prjppg <- read_excel(paste0(v_path_i, "Projetos PPG 2016.xlsx"))

ds_siglas <- read_excel(paste0(v_path_i, "Siglas áreas de avaliação.xlsx")) %>% 
             select(nome = "Nome área de avaliação",
                    sigla = "Sigla")

ds_prg <- ds_prgppg %>% merge(., ds_siglas, by.x = "NM_AREA_AVALIACAO", by.y = "nome") %>%  # Incluindo sigla
                        select(CD_PROGRAMA_IES,
                               NM_AREA_AVALIACAO,
                               SG_AREA_AVALIACAO = sigla,
                               CS_STATUS_JURIDICO,
                               DS_DEPENDENCIA_ADMINISTRATIVA,
                               ANO_INICIO_PROGRAMA,
                               NM_MODALIDADE_PROGRAMA,
                               CD_CONCEITO_PROGRAMA,
                               NM_REGIAO,             # Novas categorias
                               SG_UF_PROGRAMA,        #
                               SG_ENTIDADE_ENSINO,    #
                               NM_PROGRAMA_IES,       #
                               NM_GRAU_PROGRAMA)

 write.csv2(ds_prg, paste0(v_path_inter, "ds_prg.csv"))

ds_prjppg_13_16 <- ds_prjppg %>% 
  mutate(ANO_PRJ = str_sub(.$DH_INICIO, 1, 4)) %>%
  filter(ANO_PRJ >= 2013)

 write.csv2(ds_prjppg_13_16, paste0(v_path_inter, "ds_prjppg_13_16.csv"))

rm(ds_prjppg) ## Limpeza de memória

Membros de Projetos

Leitura de planilhas e criação de datasets com dados de membros de projetos entre 2013 e 2016.

f.membros <- function(file){
  ds <- read_excel(file) %>%
    arrange(DS_TIPO_MEMBRO) %>% 
    filter(DS_TIPO_MEMBRO %in% c("DISCENTE","DOCENTE")) %>% 
    merge(., ds_prjppg_13_16, by = "ID_PROJETO")
  return(ds)
}

ds_membros_13_16 <- rbind(f.membros(paste0(v_path_i, "Membros dos projetos 2013.xlsx")),
                          f.membros(paste0(v_path_i, "Membros dos projetos 2014.xlsx")),
                          f.membros(paste0(v_path_i, "Membros dos projetos 2015.xlsx")),
                          f.membros(paste0(v_path_i, "Membros dos projetos 2016.xlsx")))

 write.csv2(ds_membros_13_16, paste0(v_path_inter, "ds_membros_13_16.csv"))

Formação discente e docente

Leitura de planilhas e criação de datasets para dados de formação de professores e alunos nos programas de mestrado e doutorado. Os campos comuns foram selecionados e padronizados para os três arquivos para facilitar relacionamento com indicadores.

v_form_campos <- c("nro_id_cnpq", "seq_pessoa_fisica",
                   "nome_sucupira", "nome_cvlattes",
                   "nome_filtro_cvlattes", "sgl_instituicao",
                   "nme_instituicao", "cod_programa",
                   "nme_programa", "nme_area_avaliacao",
                   "seq_area_basica", "area_basica",
                   "grande_area_basica", "nro_nota_doutorado",
                   "nro_nota_mestrado", "nro_nota_mestrado_prof",
                   "dta_fim", "seq_tipo_categoria_vinculo",
                   "nivel_formacao", "ano_inicio_formacao",
                   "ano_fim_formacao", "formacao_concluida",
                   "sigla_pais_ies_formacao", "sigla_uf_ies_formacao",
                   "sigla_ies_formacao", "nome_ies_formacao",
                   "nome_curso_formacao", "cod_area_curso_formacao",
                   "grande_area_curso_formacao", "area_curso_formacao")

ds_frmdic <- read_excel(paste0(v_path_i, "Formação dos discentes 2013-2016 - Tese.xlsx")) %>% 
  mutate(nro_id_cnpq = str_pad(as.character(nro_id_cnpq), 
                               width =  16, 
                               side = "left", 
                               pad = "0"),
         seq_pessoa_fisica = as.character(seq_pessoa_fisica)) %>% 
  select(v_form_campos) %>% 
  mutate(doc_ou_disc = "DISCENTE")

 write.csv2(ds_frmdic, paste0(v_path_inter, "ds_frmdic.csv"))

ds_frmdic_mestrado <- read_excel(paste0(v_path_i, "Dicentes mestrado tratada -tese.xlsx")) %>% 
  mutate(nro_id_cnpq = str_pad(as.character(nro_id_cnpq), 
                               width =  16, 
                               side = "left", 
                               pad = "0"),
         seq_pessoa_fisica = as.character(seq_pessoa_fisica)) %>% 
  select(v_form_campos) %>% 
  mutate(doc_ou_disc = "DISCENTE")

 write.csv2(ds_frmdic_mestrado, paste0(v_path_inter, "ds_frmdic_mestrado.csv"))

ds_frmdoc <- read_excel(paste0(v_path_i, "Formação dos docentes tese.xlsx")) %>% 
  select(v_form_campos) %>% 
  mutate(doc_ou_disc = "DOCENTE")

 write.csv2(ds_frmdoc, paste0(v_path_inter, "ds_frmdoc.csv"))

Indice de Multi/Interdisciplinaridade

Preparação, transformações e calculo de variáveis e indicadores que compõe o IMI - Indice de Multi/Inter disciplinaridade.

---

IMI 1 - Formação docente

FCDo - Diversidade da formação dos docentes nos PPG

Variáveis:
QPPP: Quantidade de professores permanentes do programa
QFDPD: Quantidade das formações dos docentes permanentes no grau de doutorado
QFDPM: Quantidade das formações dos docentes permanentes no grau de mestrado
QFDPG: Quantidade das formações dos docentes permanentes no grau de graduação

Indicadores:
DFDDo: Diversidade de formação do docente pelo grau de doutorado
DFDM: Diversidade de formação do docente pelo grau de mestrado
DFDG: Diversidade de formação do docente pelo grau de graduação

OBS - Os agrupamentos e sumarizações abaixo são realizados em dois estágios progressivos para garantir contagens adequadas no calculo das variáveis.

ds_IMI1_QPPP <- ds_frmdoc %>% 
  group_by(cod_programa, nome_filtro_cvlattes) %>% 
  summarise(QT = n()) %>% 
  group_by(cod_programa) %>% 
  summarise(QPPP = n())

 write.csv2(ds_IMI1_QPPP, paste0(v_path_inter, "ds_IMI1_QPPP.csv"))

ds_IMI1_QFDPD <- ds_frmdoc %>% 
  filter(nivel_formacao == "Doutorado") %>% 
  group_by(cod_programa, nome_curso_formacao) %>% 
  summarise(QT = n()) %>%   
  group_by(cod_programa) %>% 
  summarise(QFDPD = n()) 

 write.csv2(ds_IMI1_QFDPD, paste0(v_path_inter, "ds_IMI1_QFDPD.csv"))

ds_IMI1_QFDPM <- ds_frmdoc %>% 
  filter(nivel_formacao == "Mestrado") %>% 
  group_by(cod_programa, nome_curso_formacao) %>% 
  summarise(QT = n()) %>%   
  group_by(cod_programa) %>% 
  summarise(QFDPM = n()) 

 write.csv2(ds_IMI1_QFDPM, paste0(v_path_inter, "ds_IMI1_QFDPM.csv"))

ds_IMI1_QFDPG <- ds_frmdoc %>% 
  filter(nivel_formacao == "Graduação") %>% 
  group_by(cod_programa, nome_curso_formacao) %>% 
  summarise(QT = n()) %>%   
  group_by(cod_programa) %>% 
  summarise(QFDPG = n()) 

 write.csv2(ds_IMI1_QFDPG, paste0(v_path_inter, "ds_IMI1_QFDPG.csv"))

ds_IMI1_FCDo <- merge(ds_IMI1_QFDPD, ds_IMI1_QFDPM, by = "cod_programa", all.x = T) %>% 
  merge(., ds_IMI1_QFDPG, by = "cod_programa", all.x = T) %>% 
  merge(., ds_IMI1_QPPP, by = "cod_programa", all.x = T) %>% 
  mutate(DFDDo = QFDPD/QPPP,
         DFDM = QFDPM/QPPP,
         DFDG = QFDPG/QPPP) %>% ## Fórmulas dos indicadores
  #mutate(DFDDo = ifelse(DFDDo <= 1, DFDDo, 1),  
  #       DFDM = ifelse(DFDM <= 1, DFDM, 1), 
  #       DFDG = ifelse(DFDG <= 1, DFDG, 1)) %>% ## Limpeza de ocorrências acima de 1.0
  mutate(FCDo = (DFDDo + DFDM + DFDG)/3) %>% ## Fórmula do constructo
  merge(ds_prg, ., by.x = "CD_PROGRAMA_IES", by.y = "cod_programa", all.y = T) ## Categorias

 write.csv2(ds_IMI1_FCDo, paste0(v_path_o, "FCDo.csv"))
 kable(ds_IMI1_FCDo[1:12, ]) #c(1,8:15)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	NM_AREA_AVALIACAO	SG_AREA_AVALIACAO	CS_STATUS_JURIDICO	DS_DEPENDENCIA_ADMINISTRATIVA	ANO_INICIO_PROGRAMA	NM_MODALIDADE_PROGRAMA	CD_CONCEITO_PROGRAMA	NM_REGIAO	SG_UF_PROGRAMA	SG_ENTIDADE_ENSINO	NM_PROGRAMA_IES	NM_GRAU_PROGRAMA	QFDPD	QFDPM	QFDPG	QPPP	DFDDo	DFDM	DFDG	FCDo
10001018002P1	CIÊNCIAS BIOLÓGICAS III	CBIII	FEDERAL	PÚBLICA	2001	ACADÊMICO	3	NORTE	RO	UNIR	BIOLOGIA EXPERIMENTAL	MESTRADO/DOUTORADO	10	7	7	15	0.6666667	0.4666667	0.4666667	0.5333333
10001018004P4	INTERDISCIPLINAR	INTE	FEDERAL	PÚBLICA	1999	ACADÊMICO	4	NORTE	RO	UNIR	DESENVOLVIMENTO REGIONAL E MEIO AMBIENTE	MESTRADO/DOUTORADO	13	13	11	15	0.8666667	0.8666667	0.7333333	0.8222222
10001018005P0	GEOGRAFIA	GEOG	FEDERAL	PÚBLICA	2006	ACADÊMICO	4	NORTE	RO	UNIR	GEOGRAFIA	MESTRADO/DOUTORADO	5	6	4	15	0.3333333	0.4000000	0.2666667	0.3333333
10001018006P7	ADMINISTRAÇÃO PÚBLICA E DE EMPRESAS, CIÊNCIAS CONTÁBEIS E TURISMO	ADM	FEDERAL	PÚBLICA	2006	ACADÊMICO	4	NORTE	RO	UNIR	ADMINISTRAÇÃO	MESTRADO	7	5	6	9	0.7777778	0.5555556	0.6666667	0.6666667
10001018009P6	PSICOLOGIA	PSICO	FEDERAL	PÚBLICA	2009	ACADÊMICO	3	NORTE	RO	UNIR	PSICOLOGIA	MESTRADO	4	4	5	10	0.4000000	0.4000000	0.5000000	0.4333333
10001018010P4	LETRAS / LINGUÍSTICA	LETR	FEDERAL	PÚBLICA	2010	ACADÊMICO	3	NORTE	RO	UNIR	LETRAS	MESTRADO	10	5	6	15	0.6666667	0.3333333	0.4000000	0.4666667
10001018011P0	EDUCAÇÃO	EDUC	FEDERAL	PÚBLICA	2010	ACADÊMICO	3	NORTE	RO	UNIR	EDUCAÇÃO	MESTRADO	5	6	10	11	0.4545455	0.5454545	0.9090909	0.6363636
10001018012P7	LETRAS / LINGUÍSTICA	LETR	FEDERAL	PÚBLICA	2011	ACADÊMICO	3	NORTE	RO	UNIR	ESTUDOS LITERÁRIOS	MESTRADO	10	8	7	14	0.7142857	0.5714286	0.5000000	0.5952381
10001018016P2	EDUCAÇÃO	EDUC	FEDERAL	PÚBLICA	2014	PROFISSIONAL	3	NORTE	RO	UNIR	EDUCAÇÃO ESCOLAR	MESTRADO PROFISSIONAL	5	10	10	17	0.2941176	0.5882353	0.5882353	0.4901961
10001018017P9	CIÊNCIAS AMBIENTAIS	CAMB	FEDERAL	PÚBLICA	2013	ACADÊMICO	3	NORTE	RO	UNIR	CIÊNCIAS AMBIENTAIS	MESTRADO	10	12	10	15	0.6666667	0.8000000	0.6666667	0.7111111
10001018039P2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	10	11	11	14	0.7142857	0.7857143	0.7857143	0.7619048
10001018040P0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	9	11	10	12	0.7500000	0.9166667	0.8333333	0.8333333

IMI 2 - Formação discente

FCDi - Diversidade na formação dos discentes nos PPG

Variáveis:
QFGDi: Quantidade das formações dos discentes no grau de graduação
QDP: Quantidade de discentes do programa

Indicadores:
DFGDi: Diversidade de formação do discente pelo grau de graduação

ds_frmdic_ttl <- rbind(ds_frmdic, ds_frmdic_mestrado) %>% 
  filter(nivel_formacao == "Graduação") %>% 
  group_by(cod_programa, 
           nome_filtro_cvlattes, 
           doc_ou_disc,
           nome_curso_formacao) %>%
  summarise(QT = n()) ## Junção de formações de discentes e filtro de graduação

 write.csv2(ds_frmdic_ttl, paste0(v_path_inter, "ds_frmdic_ttl.csv"))

ds_IMI2_QDP <- ds_frmdic_ttl %>% 
  group_by(cod_programa, nome_filtro_cvlattes) %>% 
  summarise(QT = n()) %>% 
  group_by(cod_programa) %>% 
  summarise(QDP = n())

 write.csv2(ds_IMI2_QDP, paste0(v_path_inter, "ds_IMI2_QDP.csv"))

ds_IMI2_QFGDi <- ds_frmdic_ttl %>% 
  group_by(cod_programa, nome_curso_formacao) %>% 
  summarise(QT = n()) %>%   
  group_by(cod_programa) %>% 
  summarise(QFGDi = n()) 

 write.csv2(ds_IMI2_QFGDi, paste0(v_path_inter, "ds_IMI2_QFGDi.csv"))

ds_IMI2_FCDi <- merge(ds_IMI2_QFGDi, ds_IMI2_QDP, by = "cod_programa", all.x = T) %>% 
  mutate(DFGDi = QFGDi/QDP) %>% ## Fórmula do indicador
  #mutate(DFGDi = ifelse(DFGDi <= 1, DFGDi, 1)) %>% ## Limpeza de ocorrências acima de 1.0
  mutate(FCDi = DFGDi) %>%  ## Fórmula do constructo
  merge(ds_prg, ., by.x = "CD_PROGRAMA_IES", by.y = "cod_programa", all.y = T) ## Categorias

 write.csv2(ds_IMI2_FCDi, paste0(v_path_o, "FCDi.csv"))
 kable(ds_IMI2_FCDi[1:12, ]) #c(1,8:11)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	NM_AREA_AVALIACAO	SG_AREA_AVALIACAO	CS_STATUS_JURIDICO	DS_DEPENDENCIA_ADMINISTRATIVA	ANO_INICIO_PROGRAMA	NM_MODALIDADE_PROGRAMA	CD_CONCEITO_PROGRAMA	NM_REGIAO	SG_UF_PROGRAMA	SG_ENTIDADE_ENSINO	NM_PROGRAMA_IES	NM_GRAU_PROGRAMA	QFGDi	QDP	DFGDi	FCDi
10001018002P1	CIÊNCIAS BIOLÓGICAS III	CBIII	FEDERAL	PÚBLICA	2001	ACADÊMICO	3	NORTE	RO	UNIR	BIOLOGIA EXPERIMENTAL	MESTRADO/DOUTORADO	8	29	0.2758621	0.2758621
10001018004P4	INTERDISCIPLINAR	INTE	FEDERAL	PÚBLICA	1999	ACADÊMICO	4	NORTE	RO	UNIR	DESENVOLVIMENTO REGIONAL E MEIO AMBIENTE	MESTRADO/DOUTORADO	25	41	0.6097561	0.6097561
10001018005P0	GEOGRAFIA	GEOG	FEDERAL	PÚBLICA	2006	ACADÊMICO	4	NORTE	RO	UNIR	GEOGRAFIA	MESTRADO/DOUTORADO	23	42	0.5476190	0.5476190
10001018006P7	ADMINISTRAÇÃO PÚBLICA E DE EMPRESAS, CIÊNCIAS CONTÁBEIS E TURISMO	ADM	FEDERAL	PÚBLICA	2006	ACADÊMICO	4	NORTE	RO	UNIR	ADMINISTRAÇÃO	MESTRADO	22	48	0.4583333	0.4583333
10001018009P6	PSICOLOGIA	PSICO	FEDERAL	PÚBLICA	2009	ACADÊMICO	3	NORTE	RO	UNIR	PSICOLOGIA	MESTRADO	21	52	0.4038462	0.4038462
10001018010P4	LETRAS / LINGUÍSTICA	LETR	FEDERAL	PÚBLICA	2010	ACADÊMICO	3	NORTE	RO	UNIR	LETRAS	MESTRADO	31	73	0.4246575	0.4246575
10001018011P0	EDUCAÇÃO	EDUC	FEDERAL	PÚBLICA	2010	ACADÊMICO	3	NORTE	RO	UNIR	EDUCAÇÃO	MESTRADO	25	63	0.3968254	0.3968254
10001018012P7	LETRAS / LINGUÍSTICA	LETR	FEDERAL	PÚBLICA	2011	ACADÊMICO	3	NORTE	RO	UNIR	ESTUDOS LITERÁRIOS	MESTRADO	31	46	0.6739130	0.6739130
10001018016P2	EDUCAÇÃO	EDUC	FEDERAL	PÚBLICA	2014	PROFISSIONAL	3	NORTE	RO	UNIR	EDUCAÇÃO ESCOLAR	MESTRADO PROFISSIONAL	26	54	0.4814815	0.4814815
10001018017P9	CIÊNCIAS AMBIENTAIS	CAMB	FEDERAL	PÚBLICA	2013	ACADÊMICO	3	NORTE	RO	UNIR	CIÊNCIAS AMBIENTAIS	MESTRADO	37	55	0.6727273	0.6727273
10001018039P2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	24	42	0.5714286	0.5714286
10001018040P0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	12	12	1.0000000	1.0000000

IMI 3 - Instituições participantes e membros de projetos

CC - Colaboração Científica

Variáveis:
QIP: Quantidade de instituições participantes nos projetos
QPP: Quantidade de projetos no programa

Intituições

ds_fin <-  rbind(read_excel(paste0(v_path_i, "Financiadores de proejtos 2013.xlsx")),
                 read_excel(paste0(v_path_i, "Financiadores de projetos 2014.xlsx")),
                 read_excel(paste0(v_path_i, "Financiadores de projetos 2015.xlsx")),
                 read_excel(paste0(v_path_i, "Financiadores de proejtos 2016.xlsx"))) ## Carga de Instituições

ds_IMI3_QIP <- ds_fin %>% 
  group_by(CD_PROGRAMA_IES, NM_FINANCIADOR) %>% 
  summarise(QT = n()) %>% 
  group_by(CD_PROGRAMA_IES) %>% 
  summarise(QIP = n())

 write.csv2(ds_IMI3_QIP, paste0(v_path_inter, "ds_IMI3_QIP.csv"))

ds_IMI3_QPP <- ds_fin %>% 
  group_by(CD_PROGRAMA_IES, ID_PROJETO) %>% 
  summarise(QT = n()) %>% 
  group_by(CD_PROGRAMA_IES) %>% 
  summarise(QPP = n())

 write.csv2(ds_IMI3_QPP, paste0(v_path_inter, "ds_IMI3_QPP.csv"))

Variáveis:
DFPP: Diversidade formações dos participantes dos projetos (graduação).
QMP: Quantidade de membros dos projetos

Indicadores:
DFCP: Diversidade de formações que colaboram por meio de projetos

OBS - As variáveis e indicadores abaixo são consolidadas no nível de projeto e depois sumarizadas por média em programas para possibilitar cruzamento com demais constructos.

Colaboração

ds_formacao_grd <- rbind(ds_frmdic, ds_frmdoc, ds_frmdic_mestrado) %>% 
  filter(nivel_formacao == "Graduação") %>% 
  group_by(cod_programa, 
           nome_filtro_cvlattes, 
           doc_ou_disc,
           nome_curso_formacao) %>%
  summarise(QT = n()) ## Junção de formações de todos os membros e filtro de graduação

 write.csv2(ds_formacao_grd, paste0(v_path_inter, "ds_formacao_grd.csv"))

ds_MbrPrj_grd <- merge(ds_membros_13_16, ds_formacao_grd, 
                       by.x = c("CD_PROGRAMA_IES", "NM_MEMBRO_PROJETO", "DS_TIPO_MEMBRO"), 
                       by.y = c("cod_programa", "nome_filtro_cvlattes", "doc_ou_disc")) #@ Junção de 
                                                                                        ## membros e formações

 write.csv2(ds_MbrPrj_grd, paste0(v_path_inter, "ds_MbrPrj_grd.csv"))

ds_IMI3_DFPP <- ds_MbrPrj_grd %>% 
  group_by(CD_PROGRAMA_IES, ID_PROJETO, nome_curso_formacao) %>% 
  summarise(QT = n()) %>% 
  group_by(CD_PROGRAMA_IES, ID_PROJETO) %>% 
  summarise(DFPP = n()) 

 write.csv2(ds_IMI3_DFPP, paste0(v_path_inter, "ds_IMI3_DFPP.csv"))

ds_IMI3_QMP <- ds_MbrPrj_grd %>% 
  group_by(CD_PROGRAMA_IES, ID_PROJETO, NM_MEMBRO_PROJETO) %>% 
  summarise(QT = n()) %>% 
  group_by(CD_PROGRAMA_IES, ID_PROJETO) %>% 
  summarise(QMP = n()) 

 write.csv2(ds_IMI3_QMP, paste0(v_path_inter, "ds_IMI3_QMP.csv"))

#### Geração de arquivo de colaboração no nível de projetos para conferência de dados -----------

ds_DFCP <- merge(ds_IMI3_DFPP, ds_IMI3_QMP , by = c("CD_PROGRAMA_IES", "ID_PROJETO")) %>% 
  mutate(DFCP = DFPP/QMP)# %>% 
  #mutate(DFCP = ifelse(DFCP <= 1, DFCP, 1)) ## Limpeza de ocorrências acima de 1.0
 
 write.csv2(ds_DFCP, paste0(v_path_o, "DFCP.csv"))
#### --------------------------------------------------------------------------------------------
kable(ds_DFCP[1:12, ]) ## Amostra do arquivo gerado acima

CD_PROGRAMA_IES	ID_PROJETO	DFPP	QMP	DFCP
10001018002P1	254229	3	5	0.6000000
10001018002P1	281461	1	2	0.5000000
10001018002P1	281506	6	11	0.5454545
10001018002P1	281550	1	1	1.0000000
10001018002P1	281556	2	3	0.6666667
10001018002P1	281569	1	1	1.0000000
10001018002P1	281575	1	1	1.0000000
10001018002P1	281577	1	2	0.5000000
10001018002P1	281593	1	1	1.0000000
10001018002P1	287006	3	2	1.5000000
10001018002P1	300058	2	2	1.0000000
10001018002P1	332254	2	4	0.5000000

ds_IMI3_DFCP <- merge(ds_IMI3_DFPP, ds_IMI3_QMP, by = c("CD_PROGRAMA_IES", "ID_PROJETO")) %>% 
  mutate(DFCP = DFPP/QMP) %>% ## Fórmula do indicador
  #mutate(DFCP = ifelse(DFCP <= 1, DFCP, 1)) %>% ## Limpeza de ocorrências acima de 1.0
  group_by(CD_PROGRAMA_IES) %>% 
  summarise(DFPP = mean(DFPP),
            QMP = mean(QMP),
            DFCP = mean(DFCP)) ## Consolidação de variáveis e indicador

 write.csv2(ds_IMI3_DFCP, paste0(v_path_inter, "ds_IMI3_DFCP.csv"))

Indicadores:
DIPP: Diversidade de instituições que que colaboram por meio dos projetos

Consolidação da Colaboração Científica

ds_IMI3_CC <- merge(ds_IMI3_QIP, ds_IMI3_QPP, by = "CD_PROGRAMA_IES", all.x = T) %>% 
  merge(., ds_IMI3_DFCP, by = "CD_PROGRAMA_IES", all.x = T) %>% ## Junção com indicador de
                                                                ## diversidade de formações 
                                                                ## de colaboradores
  mutate(DIPP = QIP/QPP) %>% ## Fórmula do indicador
  #mutate(DIPP = ifelse(DIPP <= 1, DIPP, 1)) %>% ## Limpeza de ocorrências acima de 1.0
  mutate(CC = (DFCP + DIPP)/2) ## Fórmula do constructo
  
ds_IMI3_CC <-  ds_IMI3_CC[,c(1:3, 7, 4:6, 8)] ## Reordenação de campos

ds_IMI3_CC %<>% merge(ds_prg, ., by = "CD_PROGRAMA_IES", all.y = T) ## Categorias

 write.csv2(ds_IMI3_CC, paste0(v_path_o, "CC.csv"))
 kable(ds_IMI3_CC[1:12, ]) #c(1,8:14)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	NM_AREA_AVALIACAO	SG_AREA_AVALIACAO	CS_STATUS_JURIDICO	DS_DEPENDENCIA_ADMINISTRATIVA	ANO_INICIO_PROGRAMA	NM_MODALIDADE_PROGRAMA	CD_CONCEITO_PROGRAMA	NM_REGIAO	SG_UF_PROGRAMA	SG_ENTIDADE_ENSINO	NM_PROGRAMA_IES	NM_GRAU_PROGRAMA	QIP	QPP	DIPP	DFPP	QMP	DFCP	CC
10001018002P1	CIÊNCIAS BIOLÓGICAS III	CBIII	FEDERAL	PÚBLICA	2001	ACADÊMICO	3	NORTE	RO	UNIR	BIOLOGIA EXPERIMENTAL	MESTRADO/DOUTORADO	4	33	0.1212121	1.758621	2.586207	0.7962308	0.4587215
10001018004P4	INTERDISCIPLINAR	INTE	FEDERAL	PÚBLICA	1999	ACADÊMICO	4	NORTE	RO	UNIR	DESENVOLVIMENTO REGIONAL E MEIO AMBIENTE	MESTRADO/DOUTORADO	4	34	0.1176471	1.777778	1.555556	1.5000000	0.8088235
10001018005P0	GEOGRAFIA	GEOG	FEDERAL	PÚBLICA	2006	ACADÊMICO	4	NORTE	RO	UNIR	GEOGRAFIA	MESTRADO/DOUTORADO	1	8	0.1250000	1.071429	1.142857	0.9642857	0.5446429
10001018006P7	ADMINISTRAÇÃO PÚBLICA E DE EMPRESAS, CIÊNCIAS CONTÁBEIS E TURISMO	ADM	FEDERAL	PÚBLICA	2006	ACADÊMICO	4	NORTE	RO	UNIR	ADMINISTRAÇÃO	MESTRADO	2	3	0.6666667	1.777778	1.333333	1.3333333	1.0000000
10001018008P0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	9	0.2222222	NA	NA	NA	NA
10001018009P6	PSICOLOGIA	PSICO	FEDERAL	PÚBLICA	2009	ACADÊMICO	3	NORTE	RO	UNIR	PSICOLOGIA	MESTRADO	4	21	0.1904762	1.538461	1.769231	0.9166667	0.5535714
10001018010P4	LETRAS / LINGUÍSTICA	LETR	FEDERAL	PÚBLICA	2010	ACADÊMICO	3	NORTE	RO	UNIR	LETRAS	MESTRADO	1	5	0.2000000	2.333333	1.666667	1.4722222	0.8361111
10001018011P0	EDUCAÇÃO	EDUC	FEDERAL	PÚBLICA	2010	ACADÊMICO	3	NORTE	RO	UNIR	EDUCAÇÃO	MESTRADO	5	18	0.2777778	2.500000	1.166667	2.1666667	1.2222222
10001018012P7	LETRAS / LINGUÍSTICA	LETR	FEDERAL	PÚBLICA	2011	ACADÊMICO	3	NORTE	RO	UNIR	ESTUDOS LITERÁRIOS	MESTRADO	2	7	0.2857143	2.000000	1.500000	1.5000000	0.8928571
10001018013P3	INTERDISCIPLINAR	INTE	FEDERAL	PÚBLICA	2012	PROFISSIONAL	3	NORTE	RO	UNIR	ENSINO EM CIÊNCIAS DA SAÚDE	MESTRADO PROFISSIONAL	1	1	1.0000000	NA	NA	NA	NA
10001018016P2	EDUCAÇÃO	EDUC	FEDERAL	PÚBLICA	2014	PROFISSIONAL	3	NORTE	RO	UNIR	EDUCAÇÃO ESCOLAR	MESTRADO PROFISSIONAL	6	24	0.2500000	1.500000	1.277778	1.2592593	0.7546296
10001018017P9	CIÊNCIAS AMBIENTAIS	CAMB	FEDERAL	PÚBLICA	2013	ACADÊMICO	3	NORTE	RO	UNIR	CIÊNCIAS AMBIENTAIS	MESTRADO	7	52	0.1346154	1.485714	1.514286	0.9857143	0.5601648

IMI 4 - Áreas de atuação de docentes

CP - Contexto Profissional

Variáveis:
QCDI: Quantidade de combinações distintas informadas
QGAD: Quantidade de grande áreas de conhecimento que o docente atua
QACD: Quantidade de áreas do conhecimento que o docente atua

Indicadores:
DGAC: Diversidade de grande áreas do conhecimento que o docente atua
DAC: Diversidade de áreas do conhecimento que o docente atua

ds_aratdo <- read_excel(paste0(v_path_i, 'Areas_de_atuacao_docentes_25_06_2019.xlsx'))

ds_IMI4_QCDI <- ds_aratdo %>% 
  mutate(espec_doc = paste0(grande_area, nome_area, sub_area, especialidade)) %>% 
  group_by(cod_programa, nome_filtro_cvlattes, espec_doc) %>% 
  summarise(QT = n()) %>% 
  group_by(cod_programa, nome_filtro_cvlattes) %>% 
  summarise(QCDI = n())

 write.csv2(ds_IMI4_QCDI, paste0(v_path_inter, "ds_IMI4_QCDI.csv"))

ds_IMI4_QGAD <- ds_aratdo %>%
  group_by(cod_programa, nome_filtro_cvlattes, grande_area) %>% 
  summarise(QT = n()) %>% 
  group_by(cod_programa, nome_filtro_cvlattes) %>% 
  summarise(QGAD = n())

 write.csv2(ds_IMI4_QGAD, paste0(v_path_inter, "ds_IMI4_QGAD.csv"))

ds_IMI4_QACD <- ds_aratdo %>%
  group_by(cod_programa, nome_filtro_cvlattes, nome_area) %>% 
  summarise(QT = n()) %>% 
  group_by(cod_programa, nome_filtro_cvlattes) %>% 
  summarise(QACD = n())

 write.csv2(ds_IMI4_QACD, paste0(v_path_inter, "ds_IMI4_QACD.csv"))

ds_IMI4_CP <- merge(ds_IMI4_QGAD, ds_IMI4_QACD, by = c("cod_programa","nome_filtro_cvlattes"), all.x = T) %>% 
  merge(., ds_IMI4_QCDI, by = c("cod_programa","nome_filtro_cvlattes"), all.x = T) %>% 
  mutate(DGAC = QGAD/QCDI,
         DAC = QACD/QCDI) %>% ## Fórmulas dos indicadores
  #mutate(DGAC = ifelse(DGAC <= 1, DGAC, 1),
  #       DAC = ifelse(DAC <= 1, DAC, 1)) %>% ## Limpeza de ocorrências acima de 1.0
  mutate(CP = (DGAC + DAC)/2) ## Fórmula do constructo

 write.csv2(ds_IMI4_CP, paste0(v_path_o, "CP_docente.csv"))
 kable(ds_IMI4_CP[1:12, ]) ## Amostra do arquivo gerado acima

cod_programa	nome_filtro_cvlattes	QGAD	QACD	QCDI	DGAC	DAC	CP
10001018002P1	ALEXANDRE DE ALMEIDA E SILVA	1	3	3	0.3333333	1.0000000	0.6666667
10001018002P1	ANDREIMAR MARTINS SOARES	1	2	3	0.3333333	0.6666667	0.5000000
10001018002P1	CARLA FREIRE CELEDONIO FERNANDES	2	3	3	0.6666667	1.0000000	0.8333333
10001018002P1	CAROLINA BIONI GARCIA TELES	1	2	2	0.5000000	1.0000000	0.7500000
10001018002P1	CHRISTIAN COLLINS KUEHN	2	3	3	0.6666667	1.0000000	0.8333333
10001018002P1	DEUSILENE SOUZA VIEIRA DALLACQUA	2	3	6	0.3333333	0.5000000	0.4166667
10001018002P1	DHELIO BATISTA PEREIRA	2	3	3	0.6666667	1.0000000	0.8333333
10001018002P1	FERNANDO BERTON ZANCHI	2	6	6	0.3333333	1.0000000	0.6666667
10001018002P1	GABRIEL EDUARDO MELIM FERREIRA	1	1	2	0.5000000	0.5000000	0.5000000
10001018002P1	GENIMAR REBOUCAS JULIAO	1	1	4	0.2500000	0.2500000	0.2500000
10001018002P1	JANSEN FERNANDES DE MEDEIROS	2	3	4	0.5000000	0.7500000	0.6250000
10001018002P1	JUAN MIGUEL VILLALOBOS-SALCEDO	1	1	1	1.0000000	1.0000000	1.0000000

ds_IMI4_CP_pgr <- ds_IMI4_CP %>% 
  group_by(cod_programa) %>% 
  summarise(CP = mean(CP)) %>% ## Consolidação por programa
  merge(ds_prg, ., by.x = "CD_PROGRAMA_IES", by.y = "cod_programa", all.y = T) ## Categorias

 write.csv2(ds_IMI4_CP_pgr, paste0(v_path_o, "CP_programa.csv"))
 kable(ds_IMI4_CP_pgr[1:12, ]) #c(1,8)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	NM_AREA_AVALIACAO	SG_AREA_AVALIACAO	CS_STATUS_JURIDICO	DS_DEPENDENCIA_ADMINISTRATIVA	ANO_INICIO_PROGRAMA	NM_MODALIDADE_PROGRAMA	CD_CONCEITO_PROGRAMA	NM_REGIAO	SG_UF_PROGRAMA	SG_ENTIDADE_ENSINO	NM_PROGRAMA_IES	NM_GRAU_PROGRAMA	CP
10001018002P1	CIÊNCIAS BIOLÓGICAS III	CBIII	FEDERAL	PÚBLICA	2001	ACADÊMICO	3	NORTE	RO	UNIR	BIOLOGIA EXPERIMENTAL	MESTRADO/DOUTORADO	0.6157407
10001018004P4	INTERDISCIPLINAR	INTE	FEDERAL	PÚBLICA	1999	ACADÊMICO	4	NORTE	RO	UNIR	DESENVOLVIMENTO REGIONAL E MEIO AMBIENTE	MESTRADO/DOUTORADO	0.5246528
10001018005P0	GEOGRAFIA	GEOG	FEDERAL	PÚBLICA	2006	ACADÊMICO	4	NORTE	RO	UNIR	GEOGRAFIA	MESTRADO/DOUTORADO	0.5009804
10001018006P7	ADMINISTRAÇÃO PÚBLICA E DE EMPRESAS, CIÊNCIAS CONTÁBEIS E TURISMO	ADM	FEDERAL	PÚBLICA	2006	ACADÊMICO	4	NORTE	RO	UNIR	ADMINISTRAÇÃO	MESTRADO	0.4352564
10001018009P6	PSICOLOGIA	PSICO	FEDERAL	PÚBLICA	2009	ACADÊMICO	3	NORTE	RO	UNIR	PSICOLOGIA	MESTRADO	0.4255556
10001018010P4	LETRAS / LINGUÍSTICA	LETR	FEDERAL	PÚBLICA	2010	ACADÊMICO	3	NORTE	RO	UNIR	LETRAS	MESTRADO	0.4404762
10001018011P0	EDUCAÇÃO	EDUC	FEDERAL	PÚBLICA	2010	ACADÊMICO	3	NORTE	RO	UNIR	EDUCAÇÃO	MESTRADO	0.3204545
10001018012P7	LETRAS / LINGUÍSTICA	LETR	FEDERAL	PÚBLICA	2011	ACADÊMICO	3	NORTE	RO	UNIR	ESTUDOS LITERÁRIOS	MESTRADO	0.4531250
10001018016P2	EDUCAÇÃO	EDUC	FEDERAL	PÚBLICA	2014	PROFISSIONAL	3	NORTE	RO	UNIR	EDUCAÇÃO ESCOLAR	MESTRADO PROFISSIONAL	0.4513158
10001018017P9	CIÊNCIAS AMBIENTAIS	CAMB	FEDERAL	PÚBLICA	2013	ACADÊMICO	3	NORTE	RO	UNIR	CIÊNCIAS AMBIENTAIS	MESTRADO	0.4368590
10001018039P2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.3890625
10001018040P0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0.4888889

Consolidação final do IMI

Junção de todos os constructos, limpeza de casos imcompletos e geração de output.

ds_IMI <- merge(ds_IMI1_FCDo[,c("CD_PROGRAMA_IES", "FCDo")], 
                ds_IMI2_FCDi[,c("CD_PROGRAMA_IES", "FCDi" )], 
                by = "CD_PROGRAMA_IES", all = T) %>% 
  merge(., ds_IMI3_CC[,c("CD_PROGRAMA_IES","CC")], 
        by = "CD_PROGRAMA_IES", all = T) %>% 
  merge(., ds_IMI4_CP_pgr[,c("CD_PROGRAMA_IES","CP")], 
        by = "CD_PROGRAMA_IES", all = T) 

ds_IMI <- ds_IMI[complete.cases(ds_IMI),] ## Casos completos

ds_IMI %<>% mutate(IMI = (FCDo + FCDi + CC + CP)/4) %>% 
  merge(ds_prg, ., by = "CD_PROGRAMA_IES", all.y = T) ## Categorias

 write.csv2(ds_IMI, paste0(v_path_o, "IMI.csv"))
 kable(ds_IMI[1:12, ]) #c(1,8:12)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	NM_AREA_AVALIACAO	SG_AREA_AVALIACAO	CS_STATUS_JURIDICO	DS_DEPENDENCIA_ADMINISTRATIVA	ANO_INICIO_PROGRAMA	NM_MODALIDADE_PROGRAMA	CD_CONCEITO_PROGRAMA	NM_REGIAO	SG_UF_PROGRAMA	SG_ENTIDADE_ENSINO	NM_PROGRAMA_IES	NM_GRAU_PROGRAMA	FCDo	FCDi	CC	CP	IMI
10001018002P1	CIÊNCIAS BIOLÓGICAS III	CBIII	FEDERAL	PÚBLICA	2001	ACADÊMICO	3	NORTE	RO	UNIR	BIOLOGIA EXPERIMENTAL	MESTRADO/DOUTORADO	0.5333333	0.2758621	0.4587215	0.6157407	0.4709144
10001018004P4	INTERDISCIPLINAR	INTE	FEDERAL	PÚBLICA	1999	ACADÊMICO	4	NORTE	RO	UNIR	DESENVOLVIMENTO REGIONAL E MEIO AMBIENTE	MESTRADO/DOUTORADO	0.8222222	0.6097561	0.8088235	0.5246528	0.6913637
10001018005P0	GEOGRAFIA	GEOG	FEDERAL	PÚBLICA	2006	ACADÊMICO	4	NORTE	RO	UNIR	GEOGRAFIA	MESTRADO/DOUTORADO	0.3333333	0.5476190	0.5446429	0.5009804	0.4816439
10001018006P7	ADMINISTRAÇÃO PÚBLICA E DE EMPRESAS, CIÊNCIAS CONTÁBEIS E TURISMO	ADM	FEDERAL	PÚBLICA	2006	ACADÊMICO	4	NORTE	RO	UNIR	ADMINISTRAÇÃO	MESTRADO	0.6666667	0.4583333	1.0000000	0.4352564	0.6400641
10001018009P6	PSICOLOGIA	PSICO	FEDERAL	PÚBLICA	2009	ACADÊMICO	3	NORTE	RO	UNIR	PSICOLOGIA	MESTRADO	0.4333333	0.4038462	0.5535714	0.4255556	0.4540766
10001018010P4	LETRAS / LINGUÍSTICA	LETR	FEDERAL	PÚBLICA	2010	ACADÊMICO	3	NORTE	RO	UNIR	LETRAS	MESTRADO	0.4666667	0.4246575	0.8361111	0.4404762	0.5419779
10001018011P0	EDUCAÇÃO	EDUC	FEDERAL	PÚBLICA	2010	ACADÊMICO	3	NORTE	RO	UNIR	EDUCAÇÃO	MESTRADO	0.6363636	0.3968254	1.2222222	0.3204545	0.6439665
10001018012P7	LETRAS / LINGUÍSTICA	LETR	FEDERAL	PÚBLICA	2011	ACADÊMICO	3	NORTE	RO	UNIR	ESTUDOS LITERÁRIOS	MESTRADO	0.5952381	0.6739130	0.8928571	0.4531250	0.6537833
10001018016P2	EDUCAÇÃO	EDUC	FEDERAL	PÚBLICA	2014	PROFISSIONAL	3	NORTE	RO	UNIR	EDUCAÇÃO ESCOLAR	MESTRADO PROFISSIONAL	0.4901961	0.4814815	0.7546296	0.4513158	0.5444057
10001018017P9	CIÊNCIAS AMBIENTAIS	CAMB	FEDERAL	PÚBLICA	2013	ACADÊMICO	3	NORTE	RO	UNIR	CIÊNCIAS AMBIENTAIS	MESTRADO	0.7111111	0.6727273	0.5601648	0.4368590	0.5952155
11001011004P7	CIÊNCIAS AGRÁRIAS I	CAGRI	FEDERAL	PÚBLICA	2006	ACADÊMICO	3	NORTE	AC	UFAC	PRODUÇÃO VEGETAL	MESTRADO/DOUTORADO	0.4117647	0.2058824	0.3863636	0.4513889	0.3638499
11001011006P0	INTERDISCIPLINAR	INTE	FEDERAL	PÚBLICA	2011	ACADÊMICO	3	NORTE	AC	UFAC	CIÊNCIA, INOVAÇÃO E TECNOLOGIA PARA A AMAZÔNIA	MESTRADO	0.7333333	0.8500000	0.5902778	0.4309524	0.6511409

---

Indice de Produção Tecnologica

Preparação, transformações e calculo de variáveis e indicadores que compõe o IPT - Indice de Produção Tecnologica.

Variáveis:
SPPP: Soma de patentes produzidos por programa
SPPPr: Soma de produtos produzidos por programa
SAPP: Soma de aplicativos produzidos por programa
QPPP: Quantidade de professores permanentes do programa

Indicadores:
QPPa: Quantitativo de produção de patentes por Programa
QPPr: Quantitativo de produção de produtos por Programa
QPA: Quantitativo de produção de aplicativos por Programa

#### Carga de Aplicativos, patentes e PRodutos a partir de planilhas ----------------------------

ds_PT_appprg <- read_excel(paste0(v_path_i, "Aplicativos_tese.xlsx"))
ds_PT_patprg <- read_excel(paste0(v_path_i, "Patentes com Programas.xlsx"))
ds_PT_prdprg <- read_excel(paste0(v_path_i, "Produtos_tese.xlsx"))

#### --------------------------------------------------------------------------------------------

ds_PT_patprg <- ds_PT_patprg[complete.cases(ds_PT_patprg[,"NM_PRODUCAO"]),] ## Filtro de produção valida

ds_IPT1_SPPP<- ds_PT_patprg %>%
  group_by(CD_PROGRAMA_IES) %>% 
  summarise(SPPP = n())

 write.csv2(ds_IPT1_SPPP, paste0(v_path_inter, "ds_IPT1_SPPP.csv"))

#### --------------------------------------------------------------------------------------------

ds_PT_prdprg <- ds_PT_prdprg[complete.cases(ds_PT_prdprg[,"DSFINALIDADE_TRATADA"]),] ## Filtro de produção valida

ds_IPT2_SPPPr <- ds_PT_prdprg %>%
  group_by(CD_PROGRAMA_IES) %>% 
  summarise(SPPPr = n())

 write.csv2(ds_IPT2_SPPPr, paste0(v_path_inter, "ds_IPT2_SPPPr.csv"))

#### --------------------------------------------------------------------------------------------

ds_PT_appprg <- ds_PT_appprg[complete.cases(ds_PT_appprg[,"DS_FINALIDADE"]),] ## Filtro de produção valida

ds_IPT3_SAPP <- ds_PT_appprg %>%
  group_by(CD_PROGRAMA_IES) %>% 
  summarise(SAPP = n())

 write.csv2(ds_IPT3_SAPP, paste0(v_path_inter, "ds_IPT3_SAPP.csv"))

#### --------------------------------------------------------------------------------------------

ds_IPT <- merge(ds_IMI1_QPPP, ds_IPT1_SPPP, by.x = "cod_programa", by.y = "CD_PROGRAMA_IES", all.x = T) %>% 
  select(CD_PROGRAMA_IES = cod_programa, QPPP, SPPP) %>% 
  merge(., ds_IPT2_SPPPr, by = "CD_PROGRAMA_IES", all.x = T) %>% 
  merge(., ds_IPT3_SAPP, by = "CD_PROGRAMA_IES", all.x = T)

ds_IPT[is.na(ds_IPT)] <- 0 ### Conversão de NA para 0

# ds_IPT %<>% mutate(QPPa = SPPP/QPPP,
#                    QPPr = SPPPr/QPPP,
#                    QPA = SAPP/QPPP) %>% ## Fórmulas dos indicadores
#   #mutate(QPPa = ifelse(QPPa <= 1, QPPa, 1),
#   #       QPPr = ifelse(QPPr <= 1, QPPr, 1),
#   #       QPA = ifelse(QPA <= 1, QPA, 1)) %>% ## Limpeza de ocorrências acima de 1.0
#   mutate(IPT = (QPPa+QPPr+QPA)/3) %>% ## Fórmula do indice
#   merge(ds_prg, ., by = "CD_PROGRAMA_IES", all.y = T) ## Categorias

ds_IPT %<>% mutate(QPPa = SPPP,
                   QPPr = SPPPr,
                   QPA = SAPP) %>% ## Fórmulas dos indicadores
  #mutate(QPPa = ifelse(QPPa <= 1, QPPa, 1),
  #       QPPr = ifelse(QPPr <= 1, QPPr, 1),
  #       QPA = ifelse(QPA <= 1, QPA, 1)) %>% ## Limpeza de ocorrências acima de 1.0
  mutate(IPT = (QPPa+QPPr+QPA)/QPPP) %>% ## Fórmula do indice
  merge(ds_prg, ., by = "CD_PROGRAMA_IES", all.y = T) ## Categorias

 write.csv2(ds_IPT, paste0(v_path_o, "IPT.csv"))
 kable(ds_IPT[1:12, ]) #c(1,8:15)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	NM_AREA_AVALIACAO	SG_AREA_AVALIACAO	CS_STATUS_JURIDICO	DS_DEPENDENCIA_ADMINISTRATIVA	ANO_INICIO_PROGRAMA	NM_MODALIDADE_PROGRAMA	CD_CONCEITO_PROGRAMA	NM_REGIAO	SG_UF_PROGRAMA	SG_ENTIDADE_ENSINO	NM_PROGRAMA_IES	NM_GRAU_PROGRAMA	QPPP	SPPP	SPPPr	SAPP	QPPa	QPPr	QPA	IPT
10001018002P1	CIÊNCIAS BIOLÓGICAS III	CBIII	FEDERAL	PÚBLICA	2001	ACADÊMICO	3	NORTE	RO	UNIR	BIOLOGIA EXPERIMENTAL	MESTRADO/DOUTORADO	15	0	0	0	0	0	0	0.0000000
10001018004P4	INTERDISCIPLINAR	INTE	FEDERAL	PÚBLICA	1999	ACADÊMICO	4	NORTE	RO	UNIR	DESENVOLVIMENTO REGIONAL E MEIO AMBIENTE	MESTRADO/DOUTORADO	15	1	1	0	1	1	0	0.1333333
10001018005P0	GEOGRAFIA	GEOG	FEDERAL	PÚBLICA	2006	ACADÊMICO	4	NORTE	RO	UNIR	GEOGRAFIA	MESTRADO/DOUTORADO	15	0	0	0	0	0	0	0.0000000
10001018006P7	ADMINISTRAÇÃO PÚBLICA E DE EMPRESAS, CIÊNCIAS CONTÁBEIS E TURISMO	ADM	FEDERAL	PÚBLICA	2006	ACADÊMICO	4	NORTE	RO	UNIR	ADMINISTRAÇÃO	MESTRADO	9	0	3	0	0	3	0	0.3333333
10001018009P6	PSICOLOGIA	PSICO	FEDERAL	PÚBLICA	2009	ACADÊMICO	3	NORTE	RO	UNIR	PSICOLOGIA	MESTRADO	10	0	2	0	0	2	0	0.2000000
10001018010P4	LETRAS / LINGUÍSTICA	LETR	FEDERAL	PÚBLICA	2010	ACADÊMICO	3	NORTE	RO	UNIR	LETRAS	MESTRADO	15	0	0	0	0	0	0	0.0000000
10001018011P0	EDUCAÇÃO	EDUC	FEDERAL	PÚBLICA	2010	ACADÊMICO	3	NORTE	RO	UNIR	EDUCAÇÃO	MESTRADO	11	0	0	0	0	0	0	0.0000000
10001018012P7	LETRAS / LINGUÍSTICA	LETR	FEDERAL	PÚBLICA	2011	ACADÊMICO	3	NORTE	RO	UNIR	ESTUDOS LITERÁRIOS	MESTRADO	14	0	0	0	0	0	0	0.0000000
10001018016P2	EDUCAÇÃO	EDUC	FEDERAL	PÚBLICA	2014	PROFISSIONAL	3	NORTE	RO	UNIR	EDUCAÇÃO ESCOLAR	MESTRADO PROFISSIONAL	17	0	0	0	0	0	0	0.0000000
10001018017P9	CIÊNCIAS AMBIENTAIS	CAMB	FEDERAL	PÚBLICA	2013	ACADÊMICO	3	NORTE	RO	UNIR	CIÊNCIAS AMBIENTAIS	MESTRADO	15	4	3	1	4	3	1	0.5333333
10001018039P2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	14	0	0	0	0	0	0	0.0000000
10001018040P0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	12	0	0	0	0	0	0	0.0000000

---

Tabela base de indices completos e correlação geral

União de indices por programa, filtro de cassos completos, categorização e calculo de correlação geral.

ds_COR <- merge(ds_IMI[,c(1,18)], ds_IPT[,c(1,21)], by = "CD_PROGRAMA_IES", all = T) ## União de indices

ds_COR <- ds_COR[complete.cases(ds_COR),] ## Filtro de casos completos

ds_COR %<>% filter(IPT > 0)%>% ## Filtro de projetos com produção tecnologica
  merge(ds_prg, ., by = "CD_PROGRAMA_IES", all.y = T) ## Categorias

 write.csv2(ds_COR, paste0(v_path_o, "COR.csv"))
 kable(ds_COR[1:12, ]) #c(1,8:9)]) ## Amostra do arquivo gerado acima, sem as categorias

CD_PROGRAMA_IES	NM_AREA_AVALIACAO	SG_AREA_AVALIACAO	CS_STATUS_JURIDICO	DS_DEPENDENCIA_ADMINISTRATIVA	ANO_INICIO_PROGRAMA	NM_MODALIDADE_PROGRAMA	CD_CONCEITO_PROGRAMA	NM_REGIAO	SG_UF_PROGRAMA	SG_ENTIDADE_ENSINO	NM_PROGRAMA_IES	NM_GRAU_PROGRAMA	IMI	IPT
10001018004P4	INTERDISCIPLINAR	INTE	FEDERAL	PÚBLICA	1999	ACADÊMICO	4	NORTE	RO	UNIR	DESENVOLVIMENTO REGIONAL E MEIO AMBIENTE	MESTRADO/DOUTORADO	0.6913637	0.1333333
10001018006P7	ADMINISTRAÇÃO PÚBLICA E DE EMPRESAS, CIÊNCIAS CONTÁBEIS E TURISMO	ADM	FEDERAL	PÚBLICA	2006	ACADÊMICO	4	NORTE	RO	UNIR	ADMINISTRAÇÃO	MESTRADO	0.6400641	0.3333333
10001018009P6	PSICOLOGIA	PSICO	FEDERAL	PÚBLICA	2009	ACADÊMICO	3	NORTE	RO	UNIR	PSICOLOGIA	MESTRADO	0.4540766	0.2000000
10001018017P9	CIÊNCIAS AMBIENTAIS	CAMB	FEDERAL	PÚBLICA	2013	ACADÊMICO	3	NORTE	RO	UNIR	CIÊNCIAS AMBIENTAIS	MESTRADO	0.5952155	0.5333333
12001015001P0	EDUCAÇÃO	EDUC	FEDERAL	PÚBLICA	1987	ACADÊMICO	4	NORTE	AM	UFAM	EDUCAÇÃO	MESTRADO/DOUTORADO	0.4167405	0.0588235
12001015002P7	QUÍMICA	QUIM	FEDERAL	PÚBLICA	1987	ACADÊMICO	4	NORTE	AM	UFAM	QUÍMICA	MESTRADO/DOUTORADO	0.3374479	0.3928571
12001015003P3	CIÊNCIAS AGRÁRIAS I	CAGRI	FEDERAL	PÚBLICA	1995	ACADÊMICO	4	NORTE	AM	UFAM	AGRONOMIA TROPICAL	MESTRADO/DOUTORADO	0.4392376	0.0666667
12001015012P2	CIÊNCIA DA COMPUTAÇÃO	CCOMP	FEDERAL	PÚBLICA	2001	ACADÊMICO	5	NORTE	AM	UFAM	INFORMÁTICA	MESTRADO/DOUTORADO	0.3936089	0.8461538
12001015013P9	BIOTECNOLOGIA	BIOT	FEDERAL	PÚBLICA	2001	ACADÊMICO	4	NORTE	AM	UFAM	BIOTECNOLOGIA	MESTRADO/DOUTORADO	0.4673809	0.5185185
12001015016P8	CIÊNCIAS AGRÁRIAS I	CAGRI	FEDERAL	PÚBLICA	2003	ACADÊMICO	3	NORTE	AM	UFAM	CIÊNCIAS FLORESTAIS E AMBIENTAIS	MESTRADO	0.5455184	1.1875000
12001015021P1	ENGENHARIAS IV	ENGIV	FEDERAL	PÚBLICA	2005	ACADÊMICO	3	NORTE	AM	UFAM	ENGENHARIA ELÉTRICA	MESTRADO	0.4103666	1.0000000
12001015033P0	FARMÁCIA	FARM	FEDERAL	PÚBLICA	2009	ACADÊMICO	3	NORTE	AM	UFAM	CIÊNCIAS FARMACÊUTICAS	MESTRADO	0.5808275	0.5000000

ds_COR_p <- ds_COR %>% 
  select(IMI, IPT) %>% 
  cor(., method = "pearson") ## Correlação geral

 write.csv2(ds_COR_p, paste0(v_path_o, "COR_p.csv"))
 as_tibble(ds_COR_p) ## Tabela de correlação Geral

## # A tibble: 2 x 2
##      IMI    IPT
##    <dbl>  <dbl>
## 1 1      0.0826
## 2 0.0826 1

---

Correlação por categoria

Segmentação de tabela base de indice por cada categoria: Ano, Conceito, Dependencia, Area, Status e Modalidade. Geração de todos os outputs.

##### ---------------------------------------------------------------------------------------
f.corr <- function(df, mtd = "pearson"){
  df %<>% select(IMI,IPT) %>% 
    cor(., method = mtd)
  return(df)
} ## Função para aplicação de correlação em cada sessão do split por categoria

f.print_corr <- function(df){
  dfo <- tibble(cat = as.character(), cor = as.double())
  for (i in seq_along(df)) {
    dfo[i,] <- c(names(df[i]), df[[i]][1,2])
  }
  return(dfo)
} ## Função para criação de dataset com correlação por item de categoria

##### ---------------------------------------------------------------------------------------
ano_f <- factor(ds_COR$ANO_INICIO_PROGRAMA) ## Fator para split de categoria

ds_COR_ano <- ds_COR %>% select(ANO_INICIO_PROGRAMA,IMI,IPT) %>% 
  split(ano_f, drop = T) %>% ## Separação por ano
  map(f.corr) ## Calculo de correlação para cada segmento

ds_COR_ano <- f.print_corr(ds_COR_ano)

ds_COR_ano <- ds_COR %>% group_by(ANO_INICIO_PROGRAMA) %>% 
                         summarise(m_IMI = mean(IMI),                #|
                                   m_IPT = mean(IPT),                #| Média
                                   md_IMI = median(IMI),             #|
                                   md_IPT = median(IPT),             #| Mediana                                   
                                   v_IMI = var(IMI),                 #|
                                   v_IPT = var(IPT),                 #| Variancia
                                   d_IMI = sd(IMI),                  #|
                                   d_IPT = sd(IPT),                  #| Devio padrão 
                                   pc_IMI = (d_IMI/m_IMI)*100,       #|
                                   pc_IPT = (d_IPT/m_IPT)*100) %>%   #| Percentual do desvio padrão sobre valor esperado
              merge(., ds_COR_ano, by.x = "ANO_INICIO_PROGRAMA", by.y = "cat", all = T) %>% 
              mutate(ANO_INICIO_PROGRAMA = as.character(ANO_INICIO_PROGRAMA))
  
 write.csv2(ds_COR_ano, paste0(v_path_o, "COR_ano.csv"))
 kable(ds_COR_ano)

ANO_INICIO_PROGRAMA	m_IMI	m_IPT	md_IMI	md_IPT	v_IMI	v_IPT	d_IMI	d_IPT	pc_IMI	pc_IPT	cor
1931	0.3199041	0.0149254	0.3199041	0.0149254	NA	NA	NaN	NaN	NaN	NaN	NA
1960	0.2906369	0.0800000	0.2906369	0.0800000	NA	NA	NaN	NaN	NaN	NaN	NA
1961	0.3326053	0.1153846	0.3326053	0.1153846	NA	NA	NaN	NaN	NaN	NaN	NA
1962	0.2909908	0.8636364	0.2909908	0.8636364	NA	NA	NaN	NaN	NaN	NaN	NA
1963	0.4224360	0.7799943	0.4420337	0.8333333	0.0055759	0.4919185	0.0746722	0.7013690	17.676584	89.91975	-0.279360741597756
1964	0.4172452	0.1758057	0.4158835	0.0909091	0.0001782	0.0318763	0.0133479	0.1785395	3.199062	101.55501	0.0107109954054532
1965	0.3684658	0.2294030	0.3642293	0.1851852	0.0017509	0.0487351	0.0418441	0.2207602	11.356319	96.23250	0.518191879073868
1966	0.3555605	0.0724401	0.3478187	0.0784314	0.0009376	0.0002198	0.0306201	0.0148264	8.611793	20.46715	0.837407776423125
1967	0.4627200	0.6547525	0.4705810	0.3809524	0.0168524	0.2543583	0.1298169	0.5043395	28.055176	77.02749	-0.137471030418654
1968	0.3722266	0.3288689	0.3817618	0.3248792	0.0034017	0.0499029	0.0583238	0.2233895	15.668891	67.92663	0.555405114279481
1969	0.3938819	0.5328236	0.3827501	0.1363636	0.0044739	0.3053323	0.0668873	0.5525688	16.981560	103.70576	-0.255282855732563
1970	0.4006669	0.4226643	0.3889770	0.2083333	0.0047211	0.4860000	0.0687103	0.6971370	17.148987	164.93871	0.0253886938277682
1971	0.4242879	0.3248551	0.4260215	0.1944444	0.0086889	0.0861534	0.0932143	0.2935190	21.969585	90.35381	0.362673620111089
1972	0.4089485	0.2891491	0.3988590	0.1333333	0.0054947	0.1273023	0.0741260	0.3567944	18.126002	123.39464	-0.113775889614342
1973	0.4075005	0.2437085	0.3879282	0.1428571	0.0077680	0.0694440	0.0881364	0.2635223	21.628538	108.13011	0.163585764158018
1974	0.4094598	0.4775103	0.4136139	0.1875000	0.0089763	0.2647945	0.0947434	0.5145819	23.138627	107.76352	-0.101549928788803
1975	0.3928092	0.2468051	0.4216270	0.1184211	0.0054931	0.0482017	0.0741154	0.2195489	18.868049	88.95637	0.168399766462523
1976	0.4126252	0.3784836	0.4075583	0.2222222	0.0045110	0.1728359	0.0671640	0.4157354	16.277234	109.84238	-0.076302244542845
1977	0.4197404	0.3285929	0.3944808	0.3000000	0.0055624	0.0753637	0.0745813	0.2745244	17.768424	83.54545	-0.148706760233711
1978	0.4188940	0.2432078	0.3888669	0.2020202	0.0059178	0.0377641	0.0769273	0.1943298	18.364393	79.90280	0.316615355359667
1979	0.4033935	0.3243147	0.3972751	0.1764706	0.0073748	0.1666488	0.0858766	0.4082264	21.288544	125.87354	0.0603263128165099
1980	0.4095709	0.4005105	0.3884188	0.3396226	0.0047357	0.0921249	0.0688165	0.3035209	16.802108	75.78350	-0.0582955284399762
1981	0.5972870	0.3333333	0.5972870	0.3333333	NA	NA	NaN	NaN	NaN	NaN	NA
1982	0.3644272	0.4168182	0.3716151	0.2336364	0.0017530	0.2343974	0.0418694	0.4841461	11.489094	116.15281	-0.74715657251592
1983	0.3933543	0.4451562	0.3848218	0.4392857	0.0033831	0.1034962	0.0581643	0.3217082	14.786740	72.26862	0.130712028859849
1984	0.3888532	0.0937951	0.3841647	0.0909091	0.0003384	0.0022738	0.0183955	0.0476846	4.730707	50.83911	-0.346162251180185
1985	0.4209200	0.8847640	0.4108929	0.5972222	0.0119887	1.7273645	0.1094931	1.3142924	26.012817	148.54723	0.393803446485817
1986	0.4304637	0.3628671	0.4308377	0.1702128	0.0024812	0.2650474	0.0498120	0.5148276	11.571707	141.87772	-0.0405634611728774
1987	0.4287715	0.2726826	0.4218134	0.2818182	0.0113534	0.0305173	0.1065523	0.1746921	24.850614	64.06426	-0.582004185468273
1988	0.4168515	0.3043651	0.4025463	0.2250000	0.0060657	0.0900747	0.0778823	0.3001245	18.683464	98.60676	-0.0482735242579467
1989	0.4427132	0.2721098	0.4351138	0.1213235	0.0088743	0.1555475	0.0942037	0.3943951	21.278722	144.93967	-0.0504497634354278
1990	0.4234577	0.5512301	0.4163677	0.4166667	0.0054714	0.3934467	0.0739692	0.6272533	17.467912	113.79154	-0.203372041468122
1991	0.4347374	0.3267174	0.4514792	0.1263298	0.0103084	0.2055061	0.1015305	0.4533278	23.354446	138.75227	-0.0862484816657559
1992	0.3826036	0.3671364	0.3782511	0.2631579	0.0037986	0.1161113	0.0616330	0.3407511	16.108840	92.81323	0.531810710379119
1993	0.4447181	0.5202737	0.4391082	0.2272727	0.0102292	0.2904866	0.1011394	0.5389681	22.742359	103.59318	0.653334352806853
1994	0.4804656	0.4926820	0.4690880	0.2352941	0.0071303	0.4470479	0.0844409	0.6686164	17.574816	135.70953	0.168660160183952
1995	0.4653334	0.2605693	0.4392376	0.1333333	0.0088861	0.1001033	0.0942662	0.3163910	20.257783	121.42299	0.0982965289483125
1996	0.4647403	0.4143830	0.4173302	0.3818182	0.0113045	0.0758238	0.1063227	0.2753612	22.877880	66.45089	0.0551069508890045
1997	0.4889277	0.5282726	0.5038892	0.1250000	0.0178683	1.6238229	0.1336723	1.2742931	27.339882	241.21884	0.176731763322921
1998	0.4807234	0.3714559	0.4744305	0.3076923	0.0161287	0.1009713	0.1269990	0.3177598	26.418312	85.54444	0.0662071149890463
1999	0.4707600	0.3739527	0.4600201	0.2368421	0.0120415	0.1449999	0.1097339	0.3807885	23.309938	101.82798	0.0904874578091118
2000	0.4816768	0.6186901	0.4504599	0.2933094	0.0137989	0.5944991	0.1174687	0.7710377	24.387455	124.62421	0.161905442024385
2001	0.4687642	0.5232378	0.4622103	0.3103448	0.0110527	0.2379687	0.1051317	0.4878203	22.427417	93.23109	0.268984011059863
2002	0.4533525	0.5549299	0.4547232	0.1739130	0.0084564	0.9734252	0.0919588	0.9866231	20.284167	177.79238	-0.0398685290282559
2003	0.4676550	0.4234178	0.4640520	0.1997354	0.0063801	0.3164717	0.0798756	0.5625582	17.080022	132.86126	0.438317746922696
2004	0.5119103	0.5040861	0.5103588	0.2132035	0.0077798	0.3149368	0.0882033	0.5611923	17.230219	111.32866	0.28451811587725
2005	0.4999405	0.5703421	0.4938106	0.2696970	0.0086835	0.5972410	0.0931855	0.7728137	18.639314	135.50004	0.259972759535036
2006	0.5095186	0.3780734	0.5019330	0.2132035	0.0092455	0.1543951	0.0961535	0.3929315	18.871440	103.92994	0.214364846836437
2007	0.5122600	0.3417329	0.5230112	0.1396104	0.0106894	0.1949886	0.1033898	0.4415751	20.183061	129.21646	-0.0779291007130322
2008	0.5230419	0.4870805	0.5189547	0.2555781	0.0114339	0.4033530	0.1069294	0.6351008	20.443759	130.38928	0.0709927981245744
2009	0.5470468	0.3498635	0.5520338	0.2111111	0.0083628	0.1661192	0.0914486	0.4075772	16.716773	116.49606	0.214699356785296
2010	0.5420497	0.4451815	0.5374252	0.1861472	0.0067794	0.3929646	0.0823370	0.6268689	15.189936	140.81199	0.149682900186965
2011	0.5567867	0.4550168	0.5583801	0.2330317	0.0070287	0.3199414	0.0838376	0.5656336	15.057402	124.31049	0.110723452628601
2012	0.5856565	0.4274122	0.5772817	0.1818182	0.0117385	0.5733445	0.1083442	0.7571951	18.499608	177.15803	0.118505097420617
2013	0.5839650	0.3574324	0.5830854	0.2000000	0.0077910	0.1919021	0.0882668	0.4380663	15.115085	122.55919	0.174298304821679
2014	0.5835797	0.2922095	0.5905414	0.1291667	0.0097295	0.1594706	0.0986381	0.3993377	16.902251	136.66144	0.00865609822575021
2015	0.6174168	0.1964900	0.6224206	0.1052632	0.0087879	0.0505793	0.0937439	0.2248985	15.183248	114.45798	-0.085144224657118
2016	0.6487894	0.2433334	0.6299171	0.1380952	0.0079146	0.0795301	0.0889638	0.2820109	13.712272	115.89484	0.073082626755754

##### ---------------------------------------------------------------------------------------
conceito_f <- factor(ds_COR$CD_CONCEITO_PROGRAMA) ## Fator para split de categoria

ds_COR_conceito <- ds_COR %>% select(CD_CONCEITO_PROGRAMA,IMI,IPT) %>% 
  split(conceito_f, drop = T) %>% ## Separação por conceito
  map(f.corr) ## Calculo de correlação para cada segmento

ds_COR_conceito <- f.print_corr(ds_COR_conceito)

ds_COR_conceito <- ds_COR %>% group_by(CD_CONCEITO_PROGRAMA) %>% 
                         summarise(m_IMI = mean(IMI),                #|
                                   m_IPT = mean(IPT),                #| Média
                                   md_IMI = median(IMI),             #|
                                   md_IPT = median(IPT),             #| Mediana       
                                   v_IMI = var(IMI),                 #|
                                   v_IPT = var(IPT),                 #| Variancia
                                   d_IMI = sd(IMI),                  #|
                                   d_IPT = sd(IPT),                  #| Devio padrão 
                                   pc_IMI = (d_IMI/m_IMI)*100,       #|
                                   pc_IPT = (d_IPT/m_IPT)*100) %>%   #| Percentual do desvio padrão sobre valor esperado
              merge(., ds_COR_conceito, by.x = "CD_CONCEITO_PROGRAMA", by.y = "cat", all = T) %>% 
              mutate(ANO_INICIO_PROGRAMA = as.character(CD_CONCEITO_PROGRAMA))

 write.csv2(ds_COR_conceito, paste0(v_path_o, "COR_conceito.csv"))
 kable(ds_COR_conceito)

CD_CONCEITO_PROGRAMA	m_IMI	m_IPT	md_IMI	md_IPT	v_IMI	v_IPT	d_IMI	d_IPT	pc_IMI	pc_IPT	cor	ANO_INICIO_PROGRAMA
3	0.5743336	0.3882774	0.5735221	0.1889881	0.0088175	0.2771818	0.0939016	0.5264805	16.34966	135.5939	0.055026960698169	3
4	0.4898355	0.4006425	0.4813126	0.1875000	0.0102660	0.2880815	0.1013214	0.5367323	20.68478	133.9679	0.124621962513638	4
5	0.4379631	0.4080335	0.4234125	0.2272727	0.0094011	0.2500862	0.0969594	0.5000862	22.13871	122.5601	0.233147931165116	5
6	0.4085206	0.4454501	0.4006268	0.2105263	0.0059685	0.5214046	0.0772561	0.7220835	18.91120	162.1020	0.229689141936706	6
7	0.3860605	0.4442528	0.3944808	0.2857143	0.0040430	0.2875101	0.0635844	0.5361997	16.47008	120.6970	-0.141432750904144	7

##### ---------------------------------------------------------------------------------------
dependencia_f <- factor(ds_COR$DS_DEPENDENCIA_ADMINISTRATIVA) ## Fator para split de categoria

ds_COR_dependencia <- ds_COR %>% select(DS_DEPENDENCIA_ADMINISTRATIVA,IMI,IPT) %>% 
  split(dependencia_f, drop = T) %>% ## Separação por dependencia
  map(f.corr) ## Calculo de correlação para cada segmento

ds_COR_dependencia <- f.print_corr(ds_COR_dependencia)

ds_COR_dependencia <- ds_COR %>% group_by(DS_DEPENDENCIA_ADMINISTRATIVA) %>% 
                         summarise(m_IMI = mean(IMI),                #|
                                   m_IPT = mean(IPT),                #| Média
                                   md_IMI = median(IMI),             #|
                                   md_IPT = median(IPT),             #| Mediana       
                                   v_IMI = var(IMI),                 #|
                                   v_IPT = var(IPT),                 #| Variancia
                                   d_IMI = sd(IMI),                  #|
                                   d_IPT = sd(IPT),                  #| Devio padrão 
                                   pc_IMI = (d_IMI/m_IMI)*100,       #|
                                   pc_IPT = (d_IPT/m_IPT)*100) %>%   #| Percentual do desvio padrão sobre valor esperado
              merge(., ds_COR_dependencia, by.x = "DS_DEPENDENCIA_ADMINISTRATIVA", by.y = "cat", all = T)
 
 write.csv2(ds_COR_dependencia, paste0(v_path_o, "COR_dependencia.csv"))
 kable(ds_COR_dependencia)

DS_DEPENDENCIA_ADMINISTRATIVA	m_IMI	m_IPT	md_IMI	md_IPT	v_IMI	v_IPT	d_IMI	d_IPT	pc_IMI	pc_IPT	cor
PRIVADA	0.5565106	0.5258685	0.5639965	0.2500	0.0114146	0.4881934	0.1068392	0.6987084	19.19806	132.8675	0.178122050939056
PÚBLICA	0.4892672	0.3755529	0.4821972	0.1875	0.0123382	0.2510658	0.1110773	0.5010647	22.70280	133.4205	0.0263052063561273

##### ---------------------------------------------------------------------------------------
area_f <- factor(ds_COR$NM_AREA_AVALIACAO) ## Fator para split de categoria

ds_COR_area <- ds_COR %>% select(NM_AREA_AVALIACAO,IMI,IPT) %>% 
  split(area_f, drop = T) %>% ## Separação por area
  map(f.corr) ## Calculo de correlação para cada segmento

ds_COR_area <- f.print_corr(ds_COR_area)

ds_COR_area <- ds_COR %>% group_by(NM_AREA_AVALIACAO) %>% 
                         summarise(m_IMI = mean(IMI),                #|
                                   m_IPT = mean(IPT),                #| Média
                                   md_IMI = median(IMI),             #|
                                   md_IPT = median(IPT),             #| Mediana       
                                   v_IMI = var(IMI),                 #|
                                   v_IPT = var(IPT),                 #| Variancia
                                   d_IMI = sd(IMI),                  #|
                                   d_IPT = sd(IPT),                  #| Devio padrão 
                                   pc_IMI = (d_IMI/m_IMI)*100,       #|
                                   pc_IPT = (d_IPT/m_IPT)*100) %>%   #| Percentual do desvio padrão sobre valor esperado
              merge(., ds_COR_area, by.x = "NM_AREA_AVALIACAO", by.y = "cat", all = T) %>% 
              merge(., ds_siglas, by.x = "NM_AREA_AVALIACAO", by.y = "nome")

 ds_COR_area <- ds_COR_area[,c(13,1:12)]

 write.csv2(ds_COR_area, paste0(v_path_o, "COR_area.csv"))
 kable(ds_COR_area)

sigla	NM_AREA_AVALIACAO	m_IMI	m_IPT	md_IMI	md_IPT	v_IMI	v_IPT	d_IMI	d_IPT	pc_IMI	pc_IPT	cor
ADM	ADMINISTRAÇÃO PÚBLICA E DE EMPRESAS, CIÊNCIAS CONTÁBEIS E TURISMO	0.5620398	0.2917656	0.5610366	0.1538462	0.0075094	0.1310885	0.0866570	0.3620614	15.41830	124.09325	0.0476104511873025
ANTR	ANTROPOLOGIA / ARQUEOLOGIA	0.4980210	0.1428420	0.5040662	0.1111111	0.0058061	0.0082209	0.0761979	0.0906690	15.30013	63.47502	0.749293103047719
ARQU	ARQUITETURA, URBANISMO E DESIGN	0.5410553	0.3775596	0.5254354	0.2222222	0.0128116	0.1167852	0.1131882	0.3417384	20.91990	90.51246	0.228470267879311
ARTE	ARTES / MÚSICA	0.5516364	0.1386445	0.5476228	0.0869565	0.0059821	0.0138663	0.0773443	0.1177553	14.02089	84.93329	-0.192058733444528
AFIS	ASTRONOMIA / FÍSICA	0.3720471	0.2030266	0.3470100	0.1176471	0.0081098	0.0728485	0.0900544	0.2699045	24.20511	132.94049	0.0119246929132408
BIOD	BIODIVERSIDADE	0.4582678	0.1957734	0.4227550	0.0833333	0.0082425	0.1288887	0.0907880	0.3590107	19.81112	183.38072	0.295262699689729
BIOT	BIOTECNOLOGIA	0.5758725	1.3448461	0.5520550	1.0909091	0.0091047	1.7229868	0.0954185	1.3126259	16.56938	97.60417	-0.00554813139594037
CCOMP	CIÊNCIA DA COMPUTAÇÃO	0.4841066	0.5598763	0.4700014	0.2679487	0.0079290	0.4543501	0.0890451	0.6740549	18.39370	120.39354	0.337467928208708
CALIM	CIÊNCIA DE ALIMENTOS	0.5021606	0.7402905	0.4871369	0.5227273	0.0103970	0.6915660	0.1019658	0.8316045	20.30542	112.33488	-0.0403955659825708
CPOL	CIÊNCIA POLÍTICA E RELAÇÕES INTERNACIONAIS	0.5706356	0.2703117	0.6011555	0.0769231	0.0112490	0.1944076	0.1060613	0.4409168	18.58652	163.11419	0.695604623035731
CAGRI	CIÊNCIAS AGRÁRIAS I	0.4685310	0.3349835	0.4551695	0.2023810	0.0103009	0.1057914	0.1014932	0.3252559	21.66200	97.09610	0.0146855324584208
CAMB	CIÊNCIAS AMBIENTAIS	0.6104526	0.2730628	0.6142941	0.1428571	0.0027458	0.1012756	0.0524001	0.3182383	8.58381	116.54400	0.101881176227336
CBI	CIÊNCIAS BIOLÓGICAS I	0.4994095	0.6764019	0.4574387	0.4544288	0.0082982	0.8660853	0.0910944	0.9306370	18.24042	137.58641	0.184803797634397
CBII	CIÊNCIAS BIOLÓGICAS II	0.4800129	0.3875768	0.4446935	0.2490323	0.0074435	0.1451255	0.0862758	0.3809535	17.97365	98.29110	0.234924344471354
CBIII	CIÊNCIAS BIOLÓGICAS III	0.4878419	0.6002489	0.4727768	0.3193277	0.0092568	0.3476269	0.0962121	0.5895989	19.72199	98.22574	0.0569042555913723
31	COMUNICAÇÃO E INFORMAÇÃO	0.5620376	0.3069668	0.5578070	0.1666667	0.0042517	0.2089877	0.0652052	0.4571517	11.60158	148.92546	0.246482775951791
DIRE	DIREITO	0.3803537	0.1007436	0.3493296	0.0697115	0.0119161	0.0090767	0.1091607	0.0952719	28.69978	94.56875	0.157456957260575
ECON	ECONOMIA	0.5388506	0.6710695	0.5235912	0.1666667	0.0077229	1.4496067	0.0878802	1.2039962	16.30882	179.41452	-0.126549526038425
EDUC	EDUCAÇÃO	0.4759315	0.1211216	0.4621334	0.0544118	0.0054563	0.0519690	0.0738666	0.2279671	15.52042	188.21347	0.108495142616859
EFIS	EDUCAÇÃO FÍSICA	0.4404994	0.1322053	0.4219032	0.0741758	0.0053630	0.0189253	0.0732328	0.1375693	16.62494	104.05729	0.312763495211669
ENFEE	ENFERMAGEM	0.4104475	0.2768576	0.4042974	0.1458333	0.0070782	0.1164755	0.0841323	0.3412851	20.49769	123.27097	0.0422589007123443
ENGI	ENGENHARIAS I	0.5082287	0.2780807	0.4928614	0.1875000	0.0127769	0.0725829	0.1130349	0.2694121	22.24096	96.88271	-0.150114518151716
ENGII	ENGENHARIAS II	0.4978308	0.6893837	0.4832882	0.5454545	0.0130447	0.2998964	0.1142132	0.5476279	22.94218	79.43731	0.0120803910601318
ENGIII	ENGENHARIAS III	0.5386601	0.6849478	0.5276911	0.4894366	0.0120338	0.3509995	0.1096988	0.5924521	20.36512	86.49594	0.154503858375922
ENGIV	ENGENHARIAS IV	0.4781398	0.5768609	0.4836177	0.4555556	0.0108588	0.2564211	0.1042058	0.5063803	21.79400	87.78206	0.0192612715664114
ENSI	ENSINO	0.5749583	0.1809241	0.5758972	0.1254902	0.0098342	0.0377002	0.0991676	0.1941655	17.24779	107.31875	0.190844121027246
FARM	FARMÁCIA	0.5197188	0.7597380	0.5424709	0.5000000	0.0076871	0.7112891	0.0876759	0.8433796	16.86988	111.00927	-0.404644793024165
FILO	FILOSOFIA	0.4429540	0.1050189	0.4225003	0.0954545	0.0065252	0.0036803	0.0807785	0.0606655	18.23631	57.76626	-0.162549279239194
GEOC	GEOCIÊNCIAS	0.4527815	0.1585391	0.4555833	0.0769231	0.0125462	0.0230186	0.1120098	0.1517187	24.73816	95.69798	0.405008849152875
GEOG	GEOGRAFIA	0.4477785	0.1288647	0.4231340	0.0690476	0.0069278	0.0337183	0.0832334	0.1836254	18.58808	142.49479	0.42112430417687
HIST	HISTÓRIA	0.4230407	0.0615002	0.3639525	0.0526316	0.0175621	0.0004780	0.1325221	0.0218638	31.32609	35.55079	0.72297555450312
INTE	INTERDISCIPLINAR	0.6160689	0.3661844	0.6154952	0.2000000	0.0076114	0.2293859	0.0872436	0.4789425	14.16134	130.79272	-0.0483086851346577
LETR	LETRAS / LINGUÍSTICA	0.4530650	0.1543771	0.4536374	0.0833333	0.0094282	0.0426180	0.0970991	0.2064412	21.43160	133.72528	0.396897366952718
MAFE	MATEMÁTICA / PROBABILIDADE E ESTATÍSTICA	0.4266529	0.0757409	0.3903368	0.0540936	0.0072326	0.0019527	0.0850446	0.0441890	19.93298	58.34240	0.370084361579298
MATE	MATERIAIS	0.5812343	0.6337145	0.5674261	0.4062500	0.0138905	0.3292804	0.1178581	0.5738296	20.27721	90.55018	-0.0383173535471925
MEDI	MEDICINA I	0.4560494	0.2770991	0.4540817	0.1363636	0.0037100	0.2067886	0.0609097	0.4547401	13.35595	164.10743	-0.0924197992666254
MEDII	MEDICINA II	0.4910419	0.3171799	0.4907244	0.1428571	0.0042239	0.2028259	0.0649916	0.4503620	13.23544	141.98947	0.0293568314694279
MEDIII	MEDICINA III	0.4385964	0.3411829	0.4163677	0.1764706	0.0057189	0.2135701	0.0756236	0.4621364	17.24218	135.45121	0.388063865105932
MVET	MEDICINA VETERINÁRIA	0.4277576	0.3388667	0.4136139	0.2142857	0.0088083	0.1057207	0.0938525	0.3251472	21.94057	95.95138	-0.248999125290204
NUTR	NUTRIÇÃO	0.4986630	0.3465697	0.5101044	0.2019231	0.0033505	0.1953373	0.0578834	0.4419698	11.60772	127.52697	0.151123497676553
ODON	ODONTOLOGIA	0.3941684	0.4031381	0.3722371	0.2187500	0.0101509	0.2269797	0.1007518	0.4764238	25.56059	118.17883	0.0754209833253817
PLUR	PLANEJAMENTO URBANO E REGIONAL / DEMOGRAFIA	0.6283042	0.1105020	0.6400658	0.0916667	0.0097094	0.0038744	0.0985361	0.0622450	15.68286	56.32925	0.288840618566875
PSICO	PSICOLOGIA	0.3965791	0.2108548	0.3722954	0.1250000	0.0053732	0.0502826	0.0733019	0.2242377	18.48356	106.34700	0.362981794343675
QUIM	QUÍMICA	0.4007854	0.4722336	0.3733165	0.4128788	0.0101856	0.1374670	0.1009238	0.3707654	25.18150	78.51313	-0.228144024553952
SCOL	SAÚDE COLETIVA	0.5451550	0.1261340	0.5496062	0.0869565	0.0069515	0.0124490	0.0833758	0.1115750	15.29396	88.45750	-0.345486417056443
SSOC	SERVIÇO SOCIAL	0.4603859	0.1166667	0.4603859	0.1166667	0.0426334	0.0005556	0.2064787	0.0235702	44.84905	20.20305	-1
SOCI	SOCIOLOGIA	0.5021918	0.0726852	0.5562162	0.0625000	0.0097549	0.0005716	0.0987667	0.0239088	19.66712	32.89363	0.396736564144396
ZOOT	ZOOTECNIA / RECURSOS PESQUEIROS	0.4346320	0.1785424	0.4340551	0.0833333	0.0058195	0.0535519	0.0762854	0.2314129	17.55173	129.61227	-0.0598526351728995

##### ---------------------------------------------------------------------------------------
status_f <- factor(ds_COR$CS_STATUS_JURIDICO) ## Fator para split de categoria

ds_COR_status <- ds_COR %>% select(CS_STATUS_JURIDICO,IMI,IPT) %>% 
  split(status_f, drop = T) %>% ## Separação por status
  map(f.corr) ## Calculo de correlação para cada segmento

ds_COR_status <- f.print_corr(ds_COR_status)

ds_COR_status <- ds_COR %>% group_by(CS_STATUS_JURIDICO) %>% 
                         summarise(m_IMI = mean(IMI),                #|
                                   m_IPT = mean(IPT),                #| Média
                                   md_IMI = median(IMI),             #|
                                   md_IPT = median(IPT),             #| Mediana       
                                   v_IMI = var(IMI),                 #|
                                   v_IPT = var(IPT),                 #| Variancia
                                   d_IMI = sd(IMI),                  #|
                                   d_IPT = sd(IPT),                  #| Devio padrão 
                                   pc_IMI = (d_IMI/m_IMI)*100,       #|
                                   pc_IPT = (d_IPT/m_IPT)*100) %>%   #| Percentual do desvio padrão sobre valor esperado
              merge(., ds_COR_status, by.x = "CS_STATUS_JURIDICO", by.y = "cat", all = T)
 
 write.csv2(ds_COR_status, paste0(v_path_o, "COR_status.csv"))
 kable(ds_COR_status)

CS_STATUS_JURIDICO	m_IMI	m_IPT	md_IMI	md_IPT	v_IMI	v_IPT	d_IMI	d_IPT	pc_IMI	pc_IPT	cor
ESTADUAL	0.4859979	0.3282292	0.4849812	0.1550481	0.0112001	0.1656389	0.1058305	0.4069876	21.77592	123.99496	0.0560431910218089
FEDERAL	0.4897049	0.3913628	0.4798593	0.2000000	0.0125776	0.2798879	0.1121501	0.5290443	22.90157	135.18002	0.013503440641843
MUNICIPAL	0.5626099	0.3537739	0.5584018	0.2583333	0.0268984	0.1029824	0.1640073	0.3209087	29.15116	90.71011	0.794949069461493
PARTICULAR	0.5565106	0.5258685	0.5639965	0.2500000	0.0114146	0.4881934	0.1068392	0.6987084	19.19806	132.86750	0.178122050939056

##### ---------------------------------------------------------------------------------------
modalidade_f <- factor(ds_COR$NM_MODALIDADE_PROGRAMA) ## Fator para split de categoria

ds_COR_modalidade <- ds_COR %>% select(NM_MODALIDADE_PROGRAMA,IMI,IPT) %>% 
  split(modalidade_f, drop = T) %>% ## Separação por modalidade
  map(f.corr) ## Calculo de correlação para cada segmento

ds_COR_modalidade <- f.print_corr(ds_COR_modalidade)

ds_COR_modalidade <- ds_COR %>% group_by(NM_MODALIDADE_PROGRAMA) %>% 
                         summarise(m_IMI = mean(IMI),                #|
                                   m_IPT = mean(IPT),                #| Média
                                   md_IMI = median(IMI),             #|
                                   md_IPT = median(IPT),             #| Mediana       
                                   v_IMI = var(IMI),                 #|
                                   v_IPT = var(IPT),                 #| Variancia
                                   d_IMI = sd(IMI),                  #|
                                   d_IPT = sd(IPT),                  #| Devio padrão 
                                   pc_IMI = (d_IMI/m_IMI)*100,       #|
                                   pc_IPT = (d_IPT/m_IPT)*100) %>%   #| Percentual do desvio padrão sobre valor esperado
              merge(., ds_COR_modalidade, by.x = "NM_MODALIDADE_PROGRAMA", by.y = "cat", all = T)

 write.csv2(ds_COR_modalidade, paste0(v_path_o, "COR_modalidade.csv"))
 kable(ds_COR_modalidade)

NM_MODALIDADE_PROGRAMA	m_IMI	m_IPT	md_IMI	md_IPT	v_IMI	v_IPT	d_IMI	d_IPT	pc_IMI	pc_IPT	cor
ACADÊMICO	0.4879121	0.3860063	0.4798593	0.1875000	0.0120277	0.2666483	0.1096709	0.5163800	22.47760	133.7750	0.0460688884333034
PROFISSIONAL	0.5876662	0.5096381	0.5848819	0.2352941	0.0094136	0.4798977	0.0970239	0.6927465	16.51003	135.9291	0.153973846826859

##### ---------------------------------------------------------------------------------------

Avaliação gráfica geral por categorias

f.mplot <- function(ds, label) {
#### Base -------------------------------------------
GGCor <- ggplot(data = ds, aes(x = ds[,1])) + 
  geom_col(aes(y = (as.double(cor)*100)), 
           width = 0.9, 
           alpha=0.4, 
           #stat = "sum",
           col = "black", 
           size = 0.5
           ) +   
  scale_y_continuous(breaks = seq(-100, 100, by = 10)) +  
  geom_hline(yintercept = 0, col = 'black', alpha = 0.7) + 
  geom_hline(yintercept = 30, col = 'orange', alpha = 0.7, size = 1.5) +   
  geom_hline(yintercept = 60, col = 'green', alpha = 0.7, size = 1.5) + 
  geom_point(aes(y = (as.double(cor)*100)), 
             size=1.8, shape=21, fill="black") + 
  geom_text(aes(y = (as.double(cor)*100) + ifelse(as.double(cor) > 0, 6, -6), 
                label = format(as.double(cor), digits = 4)), 
            size = 4) + 
  theme_light() + 
  theme(axis.text.x = element_text(angle = 45, 
                                 vjust = 1, 
                                 size = 9, 
                                 hjust = 1)) + 
  labs(title = 'Correlação por Categoria', x = paste0('Categoria (_', label, '_)'), y = 'Corr * 100') +
  geom_bar(aes(y = as.double(m_IMI)*100),
           position = position_nudge(x = -0.225),
           width = 0.35, alpha=0.25,
           fill = "blue",
           stat = "sum",
           size = 1) +
  geom_bar(aes(y = as.double(m_IPT)*100),
           position = position_nudge(x = 0.225),
           width = 0.35, alpha=0.25,
           fill = "red",
           stat = "sum",
           size = 1)
return(GGCor)
}

cat("Gráfico de exemplo para referÊncia")

## Gráfico de exemplo para referÊncia

g_legenda <- f.mplot(ds_COR_dependencia, "Dependencia") +
   geom_label(aes(x = 2.55, y = 62, label = 'Correlação alta'), 
              col = 'green', hjust = 'right', alpha = 0.5, size=4) +  
   geom_label(aes(x = 2.55, y = 32, label = 'Correlação média'), 
              col = 'orange', hjust = 'right', alpha = 0.5, size=4) +  
   geom_label(aes(x = 0.6, y = 56, label = 'Média de IMI'), 
              col = 'blue', hjust = 'left', alpha = 0.5, size=4) +
   geom_label(aes(x = 2.05, y = 13, label = 'Média de IPT'), 
            col = 'red', hjust = 'left', alpha = 0.5, size=4) +
   geom_label(aes(x = 1, y = 19.9, label = 'Correlação'), 
            col = 'black', hjust = 'left', alpha = 0.5, size=4)

print(g_legenda)

cat("Gráficos por categoria")

## Gráficos por categoria

ds_COR_ano %<>% arrange(ANO_INICIO_PROGRAMA)

print(f.mplot(ds_COR_ano[1:10,], "Ano"))

print(f.mplot(ds_COR_ano[11:20,], "Ano"))

print(f.mplot(ds_COR_ano[21:30,], "Ano"))

print(f.mplot(ds_COR_ano[31:40,], "Ano"))

print(f.mplot(ds_COR_ano[41:50,], "Ano"))

print(f.mplot(ds_COR_ano[51:58,], "Ano"))

ds_COR_area %<>% arrange(desc(cor))

print(f.mplot(ds_COR_area[1:10,], "Area"))

print(f.mplot(ds_COR_area[11:20,], "Area"))

print(f.mplot(ds_COR_area[21:30,], "Area"))

print(f.mplot(ds_COR_area[31:40,], "Area"))

print(f.mplot(ds_COR_area[41:48,], "Area"))

print(f.mplot(ds_COR_conceito, "Conceito"))

print(f.mplot(ds_COR_dependencia, "Dependencia"))

print(f.mplot(ds_COR_modalidade, "Modalidade"))

print(f.mplot(ds_COR_status, "Status"))

Histogramas de IPT e IMI por Área de Avaliação

f.histo <- function(ds){
#### Histograma por categoria pelo GGPlot2 -------------
 GGHis <- ggplot(ds,aes(ds[,2])) +
   stat_bin(aes(y =..density..,
                fill = ..count..), 
            col = "black",
            binwidth = 0.05, 
            alpha = 0.8) +
   geom_density(fill = "red",
                color = "orange",
                alpha = 0.11) +
   scale_x_continuous(breaks = seq(0, 1, by = 0.05)) +
   #scale_y_continuous(labels = NULL) +
   labs(title = paste0('Histograma de ', v_idx, " - ", v_categ, " - ", ds[1,1]) , x = v_idx, y = 'Contagem') +
   scale_fill_distiller(name = 'Observações',
                        palette = v_pal,
                        direction = 1);GGHis
}

v_categ <- "Área de Avaliação"
v_idx <- "IPT"
v_pal <- 'YlGnBu'

ds_COR %<>% merge(., ds_siglas, by.x = "NM_AREA_AVALIACAO", by.y = "nome")

ds_cat_P <- ds_COR %>%  select(sigla, IPT) %>% 
  split(as.factor(.$sigla)) %>% 
  map(f.histo);

v_idx <- "IMI"
v_pal <- 'YlGn'

ds_cat_D <- ds_COR %>%  select(sigla, IMI) %>% 
  split(as.factor(.$sigla)) %>% 
  map(f.histo);

for(i in seq_along(ds_cat_P)){
  print(ds_cat_P[[i]])
  print(ds_cat_D[[i]])
}

Histogramas de IPT e IMI para demais categorias (Exceto Ano de início)

v_categ <- "Conceito do Programa"
v_idx <- "IPT"
v_pal <- 'YlGnBu'

ds_cat_P <- ds_COR %>%  select(CD_CONCEITO_PROGRAMA, IPT) %>% 
  split(as.factor(.$CD_CONCEITO_PROGRAMA)) %>% 
  map(f.histo);

v_idx <- "IMI"
v_pal <- 'YlGn'

ds_cat_D <- ds_COR %>%  select(CD_CONCEITO_PROGRAMA, IMI) %>% 
  split(as.factor(.$CD_CONCEITO_PROGRAMA)) %>% 
  map(f.histo);

for(i in seq_along(ds_cat_P)){
  print(ds_cat_P[[i]])
  print(ds_cat_D[[i]])
}

#####------------------------------------------------------------------------------------------
v_categ <- "Status Jurídico"
v_idx <- "IPT"
v_pal <- 'YlGnBu'

ds_cat_P <- ds_COR %>%  select(CS_STATUS_JURIDICO, IPT) %>% 
  split(as.factor(.$CS_STATUS_JURIDICO)) %>% 
  map(f.histo);

v_idx <- "IMI"
v_pal <- 'YlGn'

ds_cat_D <- ds_COR %>%  select(CS_STATUS_JURIDICO, IMI) %>% 
  split(as.factor(.$CS_STATUS_JURIDICO)) %>% 
  map(f.histo);

for(i in seq_along(ds_cat_P)){
  print(ds_cat_P[[i]])
  print(ds_cat_D[[i]])
}

#####------------------------------------------------------------------------------------------
v_categ <- "Dependência Administrativa"
v_idx <- "IPT"
v_pal <- 'YlGnBu'

ds_cat_P <- ds_COR %>%  select(DS_DEPENDENCIA_ADMINISTRATIVA, IPT) %>% 
  split(as.factor(.$DS_DEPENDENCIA_ADMINISTRATIVA)) %>% 
  map(f.histo);

v_idx <- "IMI"
v_pal <- 'YlGn'

ds_cat_D <- ds_COR %>%  select(DS_DEPENDENCIA_ADMINISTRATIVA, IMI) %>% 
  split(as.factor(.$DS_DEPENDENCIA_ADMINISTRATIVA)) %>% 
  map(f.histo);

for(i in seq_along(ds_cat_P)){
  print(ds_cat_P[[i]])
  print(ds_cat_D[[i]])
}

#####------------------------------------------------------------------------------------------
v_categ <- "Modalidade do Programa"
v_idx <- "IPT"
v_pal <- 'YlGnBu'

ds_cat_P <- ds_COR %>%  select(NM_MODALIDADE_PROGRAMA, IPT) %>% 
  split(as.factor(.$NM_MODALIDADE_PROGRAMA)) %>% 
  map(f.histo);

v_idx <- "IMI"
v_pal <- 'YlGn'

ds_cat_D <- ds_COR %>%  select(NM_MODALIDADE_PROGRAMA, IMI) %>% 
  split(as.factor(.$NM_MODALIDADE_PROGRAMA)) %>% 
  map(f.histo);

for(i in seq_along(ds_cat_P)){
  print(ds_cat_P[[i]])
  print(ds_cat_D[[i]])
}